待验证50% 置信权衡取舍精确时间

联邦学习存在挑战：模型更新可能通过梯度反演攻击泄露训练数据统计特征，且各车辆数据分布差异大时容易引发non-IID问题导致收敛困难或性能下降

1

来源数

50%

置信度

长期有效

时效性

2026/10/9

首次发现

来源

联邦学习+时序Transformer：车载CAN总线异常检测新框架

涉及实体

联邦学习concept

相关事实

待验证小模型在分布内高性能的同时存在分布外脆弱性，一旦推理时的工具描述措辞、参数命名或用户查询风格偏离训练集，成功率可能显著下滑77% 相似待验证合成数据的分布偏差可能引入新的风险，联邦学习在通信效率和模型收敛上仍有挑战77% 相似待验证模型错误可归因于知识缺失、推理能力不足或指令跟随偏差，分别对应补充预训练数据、引入思维链训练数据和优化SFT数据分布等修复路径77% 相似待验证当训练数据存在过度自信的分布偏移时，修复应发生在推理时的中间件层而非等待下一轮模型训练77% 相似已验证数据漂移（Data Drift）指线上真实数据的统计特性偏离训练集时，模型性能在无报错情况下持续下滑76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/990554

API

curl https://kongchang.com/api/v1/knowledge/claims/990554

MCP

get_claim(id=990554)